ICRA

Sparse Meets Dense: Correspondence Guided Robotic Manipulation with Rigid-Deformable Interactions

稀疏与稠密结合：基于对应关系的刚-柔交互机器人操纵方法

Ziyu Zhu, Yue Chen, Xirui Liang, Hojin Bae, Yuran Wang, Zhen Yuan, Ruihai Wu, Hao Dong

机构 * School of Computer Science, PKU（北京大学计算机学院） ； School of EECS, PKU（北京大学电子工程与计算机科学学院） ； CFCS（计算与数字科学中心） 纠错

AI总结 针对刚-柔交互操纵任务，提出混合对应关系表征方法，结合稀疏关键点与稠密对应关系，实现少量演示下的新任务一次性迁移，实验验证其有效性与适用性。

Comments ICRA 2026 conference paper

Compliant Sphere Lattice Contact: Distributed Contact Modeling for Sphere-Based Robot Representations

柔顺球格接触：基于球的机器人表示的分布式接触建模

Nataliya Nechyporenko, Ava Abderezaei, Alessandro Roncone

AI总结 该研究针对基于球的机器人接触模型物理准确性不足的问题，提出CSLC分布式接触模型，通过弹簧连接的柔顺球格实现空间接触区域建模，经验证可提升抓取稳定性。

Journal ref ICRA 2026 Workshop on Contact-Rich Control and Representation

CoorGrasp: Coordinated Contact Control for Adaptive Dexterous Grasping Under Uncertainty

CoorGrasp：不确定性下自适应灵巧抓取的协调接触控制

Mingrui Yu, Yongpeng Jiang, Yongyi Jia, Yi Ren, Xiang Li

机构 * BNRist（北京信息科学与技术国家研究中心） 纠错

AI总结 研究在形状和位置不确定时灵巧抓取执行问题，提出触觉驱动模型预测控制器，强调多接触协调，有协调感知相分离等三个创新点，经仿真和实验验证，提高了抓取成功率并减少物体不必要移动。

Comments Accepted by ICRA 2026. Best Poster Award at ICRA 2026 Workshop on Dexterity with Multifingered Hands: Hardware, Sensing, and Skills. Project Website: https://ada-grasp-ctrl.github.io/

QuASH: Using Natural-Language Heuristics to Query Visual-Language Robotic Maps

QuASH：使用自然语言启发式方法查询视觉语言机器人地图

Matti Pekkanen, Francesco Verdoja, Ville Kyrki

AI总结 本文提出QuASH方法，利用自然语言启发式处理查询相关的语言空间，训练分类器划分环境，提升地图和图像的可查询性，该方法与表示及编码器无关且训练量有限。

Comments ICRA 2026

Good Weights: Proactive, Adaptive Dead Reckoning Fusion for Continuous and Robust Visual SLAM

Good Weights：用于连续鲁棒视觉SLAM的主动自适应航位推算融合算法

Yanwei Du, Jing-Chen Peng, Patricio A. Vela

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Institute of Robotics and Intelligent Machines（机器人与智能机械研究所） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出Good Weights算法，通过自适应融合航位推算与被动视觉SLAM，解决纹理缺失等环境下视觉SLAM位姿估计差、跟踪丢失的问题，提升了视觉SLAM的性能与鲁棒性。

Comments 8 pages, 9 figures, 1 table. Accepted to ICRA 2026

ARMOR: Robust Reinforcement Learning-based Control for UAVs under Physical Attacks

ARMOR：面向无人机物理攻击的鲁棒强化学习控制

Pritam Dash, Ethan Chan, Nathan P. Lawrence, Karthik Pattabiraman

机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 ARMOR是一种抗攻击的无模型强化学习控制器，通过两阶段训练框架学习鲁棒状态表示，可保障无人机在传感器受攻击时的安全运行，泛化能力更强且训练成本更低。

Comments Published at ICRA'2026

A drone that learns to efficiently find non-uniformly distributed objects in agricultural fields: from simulation to the real world

一种学习高效查找农田中非均匀分布目标的无人机：从仿真到现实世界

Rick van Essen, Eldert van Henten, Gert Kootstra

机构 * Wageningen University and Research（瓦赫宁根大学和研究学院） 纠错

AI总结 本文提出一种基于强化学习的无人机路径规划器，结合仿真训练与真实部署，可缩短农田目标检测飞行路径，虽召回率略降但效率提升，适用于非均匀分布目标的农业场景。

Comments Accepted to the Novel Approaches for Precision Agriculture and Forestry with Autonomous Robots IEEE ICRA Workshop - 2025